Constructing Context-Aware GNSS Stochastic Model for Code-Based Resilient Positioning in Urban Environment
Notice bibliographique
Résumé
The global navigation satellite system (GNSS) positioning performance is widely recognized to degrade in challenging environments due to complex observation uncertainty and variability. In GNSS positioning framework, the stochastic model plays a crucial role in achieving unbiased parameter estimation by correctly capturing statistical observation characteristics. However, classical empirical stochastic models, such as elevation-dependent and carrier-to-noise ratio (C/N0)-based weighting schemes, are deemed inadequate for kinematic positioning services. The environmental context, which comprises terminal space and received signal characteristics, possesses the potential to promote quantifying observation uncertainty. To address this issue, we propose to construct context-aware adaptive GNSS stochastic models that integrate context information. Firstly, leveraging a substantial urban vehicle GNSS dataset, code residuals are accurately extracted using high-accuracy reference trajectory, with significant context features extracted and selected. Secondly, a temporal neural network (TNN) is developed for urban scenario recognition, including open sky, urban canyon, boulevard, and under viaduct. Additionally, context-aware stochastic functions are formulated through correlation analysis and function fitting between C/N0 and median code residuals. Finally, the context-aware stochastic model can be adaptively configured with context prediction results yield by TNN. Experimental results show the context detection model achieves an high-confidence accuracy of 95.37%. Furthermore, the proposed method is evaluated and compared with the classical weighting schemes using code-based single point positioning (SPP). Remarkably, the context-aware stochastic model surpasses the classical C/N0-based stochastic model in terms of continuity and accuracy, representing improvements of 17.60 and 22.39% for horizontal and vertical components, respectively, thereby highlighting its remarkable environment adaptability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».